晨同学0327的博客_C/C++,python,Linux认证,opencv,流媒体,动手学深度学习

yolov5模型s,l,m,x的区别

yolov5s是什么？yolov5系列最小的模型，s是small。适合什么情况下使用？适合在计算资源有限的设备上使用。如移动设备或边缘设备。速度和准确率：速度最快，准确率最低。输入分辨率：通常为640x640# Parameters nc: 80 # number of classes depth_multiple: 0.33 # 控制模型的深度 width_multiple: 0.50

计算机视觉

人工智能

原创 2023-09-16 08:46:31 822 阅读

13.4 目标检测锚框标注 & 非极大值抑制

锚框的形状计算公式假设原图的高为H,宽为W锚框形状详细公式推导以每个像素为中心生成不同形状的锚框# s是缩放比，ratio是宽高比 def multibox_prior(data, sizes, ratios): """生成以每个像素为中心具有不同形状的锚框""" in_height,in_width = data.shape[-2:] # 取出最后两个元素，即h和w de

偏移量

归一化

ios

原创精选 2023-08-25 08:15:48 372 阅读 1点赞 1评论

sigmoid & ReLU 等激活函数总结

sigmoidReLUsigoid和ReLU对比1.sigmoid有梯度消失问题：当sigmoid的输出非常接近0或者1时，区域的梯度几乎为0，而ReLU在正区间的梯度总为1。如果Sigmoid没有正确初始化，它可能在正区间得到几乎为0的梯度。使模型无法有效训练。2.sigmoid需要复杂的求幂运算。

初始化

原创 2023-08-24 08:29:29 176 阅读

6.5 池化层

是什么：池化层跟卷积层类似有个滑动窗口，用来取一个区域内的最大值或者平均值。作用：卷积神经网络的最后的部分应该要看到整个图像的全局，通过池化(汇聚)操作，逐渐汇聚要取的像素，最终实现学习全局表示的目标。同时，卷积层的所有优势也被保留在了中间层。特点： 1.降低卷积层读对位置的敏感性。(优点) 2.降低对空间降采样表示的敏感性。(优点) 3.池化层的输入通道和输出通道相同，如X的形状为[1,2,4,

池化

2d

卷积

原创 2023-08-23 22:44:53 143 阅读

6.4.3 1x1卷积层

特点：1x1卷积层相当于全连接层作用：1x1卷积用于调整网络层的通道数量和控制模型复杂度输入形状：(通道，行，列) = (3,3,3)卷积核形状：(输出通道，输入通道，行，列) = (2,3,1,1) 输出形状：(通道，行，列) = (2,3,3)import cv2 import torch from torch import nn from d2l import torch as d2l一

2d

卷积

全连接

原创 2023-08-22 11:02:10 89 阅读

6.3 填充和步幅 & 卷积层的输出形状公式

一.填充1.作用：为了防止丢失边缘像素。如240x240的像素图像，经过10层5x5卷积，变成了200x200像素。可以根据输出形状计算公式 (w-k+1) x (h-k+1)计算得出。2.方法:最常用的方法是填充0。如下：3.公式：计算填充原图像后的输出形状假设填充p行(上面填充p/2行，下面填充p/2行)，p列。输出大小为:w = (原图片h行 + 填充p行 -k + 1) h = (原图片w

2d

卷积

卷积核

原创 2023-08-21 11:19:12 169 阅读

详解python取按某个维度取最大值 & torch.max(X,dim=1),torch.mean(X,dim=1)

torch.max(X,dim=1)是对行取最大值dim=1，表面上感觉时对列取最大值，测试一下：X = torch.tensor([[1.0, 1.0], [-1.0, -1.0]]) result,indices = torch.max(X,dim=1) print(result) print(indices)tensor([ 1., -1.]) 如果是对列

python

原创 2023-08-20 23:31:30 350 阅读

深度学习中的python语法笔记总结

解释 torch中的 .clamp(min=0)在PyTorch中，torch.clamp将张量中的元素限制在指定的范围内。 torch.clamp(min=0)会将张量中的每个元素与0进行比较，并将小于0的元素替换为0。其他大于等于0的元素则保持不变。clamp函数原理def clamp(x, lower, upper): if x < lower: return

数据类型

参数说明

方法调用

原创 2023-08-17 11:28:31 226 阅读

yolo-nas对自定义数据集进行训练,测试详解 & 香烟数据集 & 处理损坏的图片数据 & 对网络摄像头，视频，图片预测

yolov5格式的香烟数据集https://download.csdn.net/download/qq_42864343/88110620?spm=1001.2014.3001.5503创建yolo-nas的运行环境进入Pycharm的terminal，输入如下命令conda create -n yolonas python=3.8 pip install super-gradients使用自定

xml

数据

数据集

原创 2023-08-15 08:31:59 681 阅读

13.1.2 对CIFAR-10数据集使用图像增广来训练ResNet

%matplotlib inline import torch import torchvision from torch import nn from d2l import torch as d2l import time''' 使用CIFAR-10数据集,而不是我们之前使用的Fashion-MNIST数据集。这是因为Fashion-MNIST数据集中对象的位置和大小已被规范化,而CIF

2d

ide

权重

原创精选 2023-08-14 08:33:25 371 阅读

13.1.1 翻转裁减，改变颜色，结合多种图像增广方法进行图像增广

一.图像增广的好处随机改变训练样本可以减少模型对某些属性的依赖,从而提高模型的泛化能力。裁剪图像可以减少模型对于对象出现位置的依赖以不同的方式裁剪图像,使感兴趣的对象出现在不同的位置,减少模型对于对象出现位置的依赖调整亮度、颜色等因素可以降低模型对颜色的敏感度。二.代码实现：展示原图片使用如下图片进行测试：%matplotlib inline import torch import torchvi

代码实现

改变颜色

Image

原创 2023-08-13 16:59:41 139 阅读

7.7 通俗易懂详解稠密连接网络DenseNet & 手撕稠密连接网络DenseNet

一.思想与ResNet的区别DenseNet这样拼接有什么好处？DenseNet优点对于每一层，使用前面所有层的特征映射作为输入，并且其自身的特征映射作为所有后续层的输入。DenseNet的优点: 缓解了消失梯度问题，加强了特征传播，鼓励特征重用，并大大减少了参数的数量，改进了整个网络的信息流和梯度，这使得它们易于训练（这点与ResNet差不多）。稠密连接的拼接方法主要由稠密块和过渡层组成稠密网络

卷积

2d

.net

原创精选 2023-08-12 11:44:55 333 阅读

7.6 通俗易懂解读残差网络ResNet & 手撕ResNet

一.举例通俗解释ResNet思想假设你正在学习如何骑自行车，并且想要骑到一个遥远的目的地。你可以选择直接骑到目的地，也可以选择在途中设置几个“中转站”，每个中转站都会告诉你如何朝着目的地前进。在传统的神经网络中，就好比只能选择直接骑到目的地。当你的目的地很远时，可能会出现骑不到目的地的情况，因为网络在训练过程中无法有效地传递信息，导致梯度消失或梯度爆炸。而ResNet则是在途中设置多个**“残差块

ide

2d

卷积

原创 2023-08-11 15:11:34 199 阅读

7.5 详解批量规范化 & 对某个维度取平均值代码解读

一.举例计算均值、方差假设我们有以下一组数据：[10, 15, 20, 25, 30]首先，我们计算均值，即将所有数据相加后除以数据的数量：均值 = (10 + 15 + 20 + 25 + 30) / 5 = 100 / 5 = 201.1标准差接下来，我们计算标准差，用来衡量数据的离散程度。标准差的计算公式如下：标准差 = sqrt( ( (x1 - 平均值)^2 + (x2 - 平均值)

数据

2d

标准差

原创 2023-08-10 09:09:01 207 阅读

7.3 详解NiN模型--首次使用多层感知机(1x1卷积核)替换掉全连接层的模型

一.前提知识多层感知机：由一个输入层，一个或多个隐藏层和一个输出层组成。（至少有一个隐藏层，即至少3层）全连接层：是MLP的一种特殊情况，每个节点都与前一层的所有节点连接，全连接层可以解决线性可分问题，无法学习到非线性特征。（只有输入和输出层）二.NiN模型特点NiN与过去模型的区别：AlexNet和VGG对LeNet的改进在于如何扩大和加深这两个模块。他们都使用了全连接层，使用全连接层就可能完全

2d

ide

全连接

原创 2023-08-09 09:41:49 254 阅读

4.6 Dropout(暂退法)缓解过拟合详解

一.什么是Dropout(暂退法)?在前向传播过程中，计算每⼀内部层的同时注⼊噪声，这种方法被称为暂退法(dropout)。特点• 暂退法在前向传播过程中，计算每⼀内部层的同时丢弃⼀些神经元。 • 暂退法可以避免过拟合，它通常与控制权重向量的维数和⼤⼩结合使⽤的。 • 暂退法将活性值h替换为具有期望值h的随机变量。 • 暂退法仅在训练期间使⽤。二.原理一个好的模型不应该对其输⼊的微⼩变化所影响。例

取值

过拟合

赋值

原创 2023-08-08 10:30:42 150 阅读

6.6 实现卷积神经网络LeNet训练并预测手写体数字

模型架构代码实现import torch from torch import nn from d2l import torch as d2lnet = nn.Sequential( nn.Conv2d(1,6,kernel_size=5,padding=2),nn.Sigmoid(),#padding=2补偿5x5卷积核导致的特征减少。 nn.AvgPool2d(kernel_si

2d

权重

初始化

原创 2023-08-07 15:22:01 139 阅读

(通俗易懂)可视化详解多通道 & 多通道输入输出卷积代码实现

以前对多通道和多通道输入输出的卷积操作不理解，今天自己在草稿纸上画图推理了一遍，终于弄懂了。希望能帮助到大家。多通道可视化一通道的2x2矩阵torch.Size([2,2]) 相当于 torch.Size([1,2,2])，是一通道的2x2矩阵二通道的 2x2矩阵torch.Size([2,2,2])代表二通道的 2x2矩阵，第一个2表示通道三通道的2x2x2矩阵torch.Size([3,2,

2d

卷积

多通道

原创精选 2023-08-06 11:22:52 382 阅读

6.2 手写卷积类

import torch from torch import nn from d2l import torch as d2l class Conv2D(nn.Module): def __init__(self,kernel_size): super().__init__() self.weight = nn.Parameter(torch.rand(ke

卷积

初始化

2d

深度学习

原创 2023-08-05 18:04:27 210 阅读

(2023.8) method ANNOUNECE failed: 401 Unauthorized & 使用新版ZLMediaKit推流报错

linux界面推流报错鉴权失败：推流时运行的wvp中显示的报错原因：解决方法打开 ZLMediaKit/release/linux/Debug/config.ini文件设置enable=0直接关闭鉴权

linux

解决方法

流媒体

推流

ZLMediaKit

原创 2023-08-04 11:10:20 621 阅读

【亲测】解决使用super_gradients库预测图片无法获取预测结果图片

问题在使用super_gradients库中的Yolo-nas预测图片时，想要获取预测好的图片，但执行out = model.predict("camera01.png", conf=0.6, batch_size=None)之后只能out.show()和out.save()，无法返回预测结果图片。解决方法import cv2 import torch from super_gradients.t

计算机视觉

super_gradients

原创 2023-08-03 15:13:01 218 阅读

Invalid argument: Invalid JPEG data & Python脚本删除指定文件夹下的有问题的jpg格式图片

问题用yolo-nas训练一个数据集时，老是报图片有问题的错中断训练，因此写个脚本清洗掉有错误的jpg图片。代码&使用方法用自己的文件路径替换掉代码中的train_dir文件路径即可。注意，运行该代码后有问题的Jpg图片将会直接被删掉，建议运行前先备份。import os train_dir = 'data/images/val/' def progress(percent, widt

数据集

字段

文件路径

原创 2023-08-02 08:32:40 60 阅读

用U盘在电脑上安装ubuntu20.04

进入BIOS按 f2.f8.delete进入bios 联想是f12选择语言并点击试用ubuntu进入系统之后点击安装ubuntu分配磁盘格式化磁盘设置引导分区 /boot引导分区\boot 512mb设置根目录 /剩下所有空间都分给/home时区设置成上海设置计算机账户名和密码配置ROOT 密码ctrl+alt+t进入命令行，输入：sudo passwd root按enter，然后输入要设置的密码

ubuntu

命令行

ios

原创 2023-07-30 15:37:30 251 阅读

Mask_RCNN项目下载、配置、运行保姆级教程

1.下载项目进入国内github镜像https://hub.nuaa.cf/搜索要找的模型下载完成后，放到自己写代码的文件夹内，解压。右键用pycharm打开打开requirements.txt，里面有需要安装的包.(可以在网上查MaskRCNN或你想查的项目的环境配置，网上有的说的很详细,这个requirement说的不太详细，如果版本不匹配就有点麻烦了，下面给出的是亲测有效的版本)为了防止包太

虚拟环境

数据集

python

原创 2023-07-30 15:35:08 202 阅读

opencv顺时针,逆时针旋转视频并保存视频

原视频代码import cv2 # 打开视频文件 video = cv2.VideoCapture('inference/video/lianzhang.mp4') # 获取原视频的宽度和高度 width = int(video.get(cv2.CAP_PROP_FRAME_WIDTH)) height = int(video.get(cv2.CAP_PROP_FRAME_HEIGHT))

opencv

计算机视觉

视频操作

原创 2023-07-30 15:31:48 176 阅读

(小白必看)详解yolov5训练自己的数据集 & 使用香烟数据集训练yolov5识别香烟

创建数据集目录在YOLOv5根目录下创建mydata文件夹（名字可以自定义

人工智能

香烟识别

yolov5

计算机视觉

原创 2023-07-28 09:39:06 2222 阅读 2点赞 1收藏

官方博客	全部文章	热门标签	班级博客
了解我们	网站地图	意见反馈

鸿蒙开发者社区	51CTO学堂
51CTO	软考资讯

51CTO博客

wx64c31b82b1682的博客

yolov5模型s,l,m,x的区别

13.4 目标检测锚框标注 & 非极大值抑制

sigmoid & ReLU 等激活函数总结

6.5 池化层

6.4.3 1x1卷积层

6.3 填充和步幅 & 卷积层的输出形状公式

详解python取按某个维度取最大值 & torch.max(X,dim=1),torch.mean(X,dim=1)

深度学习中的python语法笔记总结

yolo-nas对自定义数据集进行训练,测试详解 & 香烟数据集 & 处理损坏的图片数据 & 对网络摄像头，视频，图片预测

13.1.2 对CIFAR-10数据集使用图像增广来训练ResNet

13.1.1 翻转裁减，改变颜色，结合多种图像增广方法进行图像增广

7.7 通俗易懂详解稠密连接网络DenseNet & 手撕稠密连接网络DenseNet

7.6 通俗易懂解读残差网络ResNet & 手撕ResNet

7.5 详解批量规范化 & 对某个维度取平均值代码解读

7.3 详解NiN模型--首次使用多层感知机(1x1卷积核)替换掉全连接层的模型

4.6 Dropout(暂退法)缓解过拟合详解

6.6 实现卷积神经网络LeNet训练并预测手写体数字

(通俗易懂)可视化详解多通道 & 多通道输入输出卷积代码实现

6.2 手写卷积类

(2023.8) method ANNOUNECE failed: 401 Unauthorized & 使用新版ZLMediaKit推流报错

【亲测】解决使用super_gradients库预测图片无法获取预测结果图片

Invalid argument: Invalid JPEG data & Python脚本删除指定文件夹下的有问题的jpg格式图片

用U盘在电脑上安装ubuntu20.04

Mask_RCNN项目下载、配置、运行保姆级教程

opencv顺时针,逆时针旋转视频并保存视频

(小白必看)详解yolov5训练自己的数据集 & 使用香烟数据集训练yolov5识别香烟